Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Rufen Sie Ihren Endpunkt auf
<a name="canvas-deploy-model-invoke"></a>

**Anmerkung**  
Wir empfehlen Ihnen, [Ihre Modellbereitstellung in Amazon SageMaker Canvas zu testen](canvas-deploy-model-test.md), bevor Sie einen SageMaker KI-Endpunkt programmgesteuert aufrufen.

Sie können Ihre Amazon SageMaker Canvas-Modelle, die Sie auf einem SageMaker KI-Endpunkt bereitgestellt haben, in der Produktion mit Ihren Anwendungen verwenden. [Rufen Sie den Endpunkt programmgesteuert auf die gleiche Weise auf, wie Sie jeden anderen SageMaker KI-Echtzeit-Endpunkt aufrufen.](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) Der programmgesteuerte Aufruf eines Endpunkts gibt ein Antwortobjekt zurück, das dieselben Felder enthält, die in [Testen der Bereitstellung](canvas-deploy-model-test.md) beschrieben sind.

Weitere Informationen zum programmgesteuerten Aufrufen von Endpunkten finden Sie unter. [Aufrufen von Modellen für Echtzeit-Inferenz](realtime-endpoints-test-endpoints.md)

Die folgenden Python-Beispiele zeigen Ihnen, wie Sie Ihren Endpunkt basierend auf dem Modelltyp aufrufen.

## JumpStart Grundlegende Modelle
<a name="canvas-invoke-js-example"></a>

Das folgende Beispiel zeigt Ihnen, wie Sie ein JumpStart Foundation-Modell aufrufen, das Sie auf einem Endpunkt bereitgestellt haben.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
    [['feature_column1', 'feature_column2'], 
    ['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Numerische und kategoriale Vorhersagemodelle
<a name="canvas-invoke-tabular-example"></a>

Im folgenden Beispiel wird gezeigt, wie Sie numerische oder kategoriale Prognosemodelle aufrufen.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Zeitreihen-Prognosemodelle
<a name="canvas-invoke-forecast-example"></a>

Das folgende Beispiel zeigt, wie Sie Zeitreihenprognosemodelle aufrufen können. Ein vollständiges Beispiel für den Testaufruf eines Zeitreihen-Prognosemodells finden Sie unter [Zeitreihenprognosen mit Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker 

```
import boto3
import pandas as pd

csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)

client = boto3.client("runtime.sagemaker")

body = data.to_csv(index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Modelle zur Bildvorhersage
<a name="canvas-invoke-cv-example"></a>

Das folgende Beispiel zeigt, wie Sie Bildvorhersagemodelle aufrufen können.

```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
    body = file.read()
    response = client.invoke_endpoint(
        EndpointName="endpoint_name",
        ContentType="application/x-image",
        Body=body,
        Accept="application/json"
    )
```

## Modelle zur Textvorhersage
<a name="canvas-invoke-nlp-example"></a>

Das folgende Beispiel zeigt, wie Sie Textvorhersagemodelle aufrufen können.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```